浅谈字符串长度

浅谈JAVA字符串 1)求取java字符串长度可以使用length()方法,(空格算一个长度) 返回结果 2)连接字符串可以使用“+”进行操作 返回结果 3)字符串截取 substring(beginIndex) 从特定位置字符串到字符串结尾 注意下标从0开始 范围结果为 substring(beginIndex,endIndex) 当函数参数为两个时,第一个为当前选中的位置,第二个为endIndex-1;注意第二个参数是选中位置前一个参数 结果为 如果... 阅读详情
 

字符串长度计算是最简单了,说这个话题难免被人笑话,不过要是计算的字符串有具体要求就稍微有点想头了。高手自然可以跳过不读,免得我贻笑大方。

最近做新闻发布系统,编辑发表新闻的时候标题不能超,所以要做个script计算一下长度(这里主要是说java,javascript带过),要求标题里面的英文算半个,中文算一个字长,标签不能算长度,标签是为了页面上显示标题颜色而来的。于是有如下script
<script>
function ByteWordCount(textarea) {
var txt = textarea.value;
txt = txt.replace(/(<.*?>)/ig,'');
txt = txt.replace(/([/u0391-/uFFE5])/ig,'11');
var count = txt.length;
alert('字符串字数:' + count/2);
}
</script>

在服务器端输出新闻到栏目页面的时候,要自动截断超过长度的新闻标题,
  public static String substring(String str,int len ){
    len=len*2;
   StringBuffer sb = new StringBuffer();
   int counter=0;
   for(int i=0;i<str.length();i++){
    char c = str.charAt(i);
    if(c<255){
      counter++;
    }else{
   counter=counter+2;
    }
    if(counter>len){
      break;
    }
    sb.append(c);
   }
    return sb.toString();
  }
因为是按照char取字符,用上面的方法截断字符串不会有乱码。
这里的长度也是英文算半个,中文算一个,如此新闻长标题不会把页面撑了。
而截取含有颜色标签html代码的标题,要做特别处理
 final static String regexStr = "(<[//p{Alnum}|//p{Punct}|//s]+?>)(.+?)(<[//p{Alnum}|//p{Punct}|//s]+?>)";
 final static Pattern tagPattern = Pattern.compile(regexStr);
 /**裁截<font color=red>title</font>的长度*/
 public static String subTagString(String input,int len){
   StringBuffer result = new StringBuffer();
   Matcher matcher = tagPattern.matcher(input);
   while(matcher.find()){
     result.append(matcher.group(1));
     result.append(substring(matcher.group(2),len));//按长度截断
     result.append(matcher.group(3));
   }
   if(result.length()==0){
     return substring(input,len);
   }
   return result.toString();
   }

STM32N6:MCU+NPU架构如何重塑边缘AI部署新范式 STM32N6作为业界首款MCU+NPU架构的通用微控制器,通过集成600 GOPS算力的NPU与800MHz Cortex-M55内核,实现了边缘AI部署的革命性突破。该方案在工业视觉和智能家居等场景中,以超低功耗和成本提供实时AI处理能力,性能较传统MCU提升超100倍,重塑了边缘智能设备的设计范式。 阅读详情

相关推荐

Mendix 开发实践指南|Mendix平台概览

低代码开发是一种将编码从文本形式转变为视觉形式的应用开发方法。它提供了一个模型驱动的、拖放式的界面,而不是传统的编码环境,使得各种技能水平的开发者——包括专业开发人员、新手、主题专家、业务利益相关者和决策者——都能使用低代码工具来构建驱动价值的企业业务应用。低代码的核心在于提高开发的可访问性和效率,让更多人能够参与到应用开发中来​​。Mendix适用于多种应用场景,包括企业级应用、移动应用、物联网(IoT)应用和微服务架构等。

多年搬砖的经验分享... 4413

字符串长度

在C/C++中,字符串是以零('\0')结尾的。比如,对于下面的字符串: "hello word"    在最后一个字符'd'后面,还有一个我们肉眼看不见的'\0'字符,作为该字符串的结束符。所以,"Hello word"其在内存中的存储形式为: 最后有一个我们看不见的'\0'。明白了字符串的结尾方式,那么如何计算字符串的长度呢?比如: 例题1: char str1[]

u012713968的专栏 3811

3GPP LTE/NR信道模型

CDL(Clustered Delay Line):簇延迟线模型,包括CDL-A、CDL-B、CDL-C三个用于NLOS的信道模型,以及CDL-D、CDL-E两个用于LOS的信道模型。

LinkEverything的博客 1万+

计算机基础知识之C语言字符串长度

计算机基础知识之C语言字符串长度

jjruanlili的博客 2677

python刷B站播放量

首先,我们要知道B站播放量计算方法:不同的IP只能算一次,如果点一下就关掉,会出现播放完成度很低的情况,反而不利。 所以我们要做的是:不停换IP地址打开视频播放页,最好能看完视频。 下面是实现方法: 获取某一个网页上的所有代理IP,返回一个IP列表: def get_ip_list(url, headers): web_data = requests.get(url, headers=headers) soup = BeautifulSoup(web_data.text, 'lxml

HGGshiwo的博客 1万+

Flutter模块打包AAR集成Android原生项目实践

跨平台开发框架Flutter通过将UI组件渲染为原生代码实现高性能表现,其核心优势在于一套代码可同时运行在iOS和Android平台。在工程实践中,将Flutter模块打包为AAR(Android Archive)进行集成,成为混合开发的主流方案。这种方案既保留了原生项目的稳定性,又能渐进式引入Flutter的高效开发特性。通过配置MethodChannel实现原生与Dart代码通信,开发者可以灵活控制Flutter引擎生命周期,优化内存占用和渲染性能。对于电商、社交等需要快速迭代的业务场景,该方案能显著提

weixin_34025051的博客 399

浅谈求字符串长度的方法

简单分享三个求字符串长度的方法

weixin_67526434的博客 1234

【AI平台】n8n入门2:第一个工作流,调用本地大模型

n8n是一款开源的,专注于AI工作流构建,支持灵活的自定义与集成。就是可以把大模型和其他工具联合起来,这就厉害了。而且,免费功能又强大,目前很火,来研究一下。

正经教主是个热衷于正经学习分享的教主。 4531

浅谈使用C库函数之gets和fgets遇到的坑——字符串长度多出来的1是哪来的

最近在做一个小功能的时候,意外发现程序怎么都执行不到目标处,附部分问题代码,使用fgets输入字符串后,在对比字符串时,怎么都进不去if,我就纳闷了,明明输入的是quit,就是对比失败。于是乎我专门花时间去找了一下资料,发现了fgets神坑的地方。 出现这个问题的原因是,从标准输入获取数据时,fgets()会比gets()多读取一个换行符"\n",下面的代码演示了这种差异以及解决方法: ...

不经一翻彻骨寒,怎得梅花扑鼻香 2184

simulink的Sine Wave 模块详解

模块是 Simulink 中的一个信号源模块,用于生成正弦波信号。该模块可以根据设定的幅值、频率、相位和偏移量,在仿真过程中产生周期性的正弦波形。模块都能提供强有力的支持。通过深入了解其参数的影响及结合 MATLAB 脚本的应用,读者可以更加有效地利用这一模块进行仿真和研究。此外,通过实际应用场景的扩展以及常见问题解答部分的帮助,能够更好地掌握。模块是一个非常实用的工具,适用于需要生成正弦波信号的各种场景。模块的参数,可以进一步增强学习体验。模块参数的影响,下面我们将详细探讨每个参数如何影响仿真结果。

xiaoheshang_123的博客 1052

基于Simulink进行步进电机的重复控制仿真建模

重复控制概述目的:通过引入一个周期延迟环节来补偿系统的周期性误差,从而提高系统对周期性参考信号或扰动的跟踪性能。方法内部模型原理:在控制器中嵌入一个与周期性信号相关的模型(例如周期延迟环节),以实现对周期性误差的零稳态误差控制。滤波器设计:为了避免高频噪声放大,通常会在重复控制器中加入低通滤波器。优势对周期性信号具有良好的跟踪性能。不需要精确的数学模型即可实现高性能控制。挑战:需要合理设计重复控制器的参数以避免系统不稳定。

amy_mhd的博客 267

题解 | #获取字符串长度#

目前收到了北京上海广州的一些研究所,待遇都差不多,可是真的不想去一线城市,想留在西安和成都,西安没找到比较合适的研究所,成都10所简历一直过不去,29面试又挂了。7.22投递,7.29笔试,8.9一面,8.15二面,8.30hr电话面试,9.7早上测评,9.7下午意向。uu最近拿了英维克的意向,硬件工程师具体等更新不管怎么样,大家一起继续加油 #硬件人帮硬件人# #硬件开发工程师# #硬件行业最新秋招进度交流#有没有好兄弟知道 协创数据 是什么公司,是外包公司吗,有没有知道的大哥。

每天多一点干货 68

Handler相关面试题

常见面试题: Handler相关 一.谈一谈你对handler的认识,例如:机制和实现等。 handler机制图解: handler常见使用过程: ①.子线程向主线程发送消息: 在主线程中新建Handler实例,并重写handleMessage()方法用于处理子线程传过来的message; 通过Message.obtain()方法获取到消息msg,然后将需要传递给主线程的信息通过msg的what、obj等字段传递; 通过handler的sendMessage发送msg消息,然后在hand

龚礼鹏的博客 3171

浅谈字符串的定义(c++)非常详细,建议收藏

C++ 有一个新的数据类型——字符串类型。这里的string是 C++ 所独有的,C语言没有。定义一个值为的字符串s,包括空格。

PineappleSummer的博客 5601

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

浅谈哈希长度扩展攻击

我们首先需要了解一下Message Authentication codes (MACs) ,称为**消息验证码**,一般用于服务器验证消息的真实性。服务器把密钥和消息连接起来,用摘要算法获取摘要,对于*H*(*secret* + *data*)此类构造的散列函数,在密钥**长度****和数据已知**的情况下,通常可以使用哈希长度扩展攻击。 MD4、MD5、RIPEMD-160、SHA-0、SHA-1、SHA-256、SHA-512、WHIRLPOOL等基于Merkle–Damgård结构的摘要算法均

m0_68483928的博客 2300

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

浅谈字符串查找

以上有四种方法进行字符串查找操作,其中BF算法与string,find()较为劣势,时间复杂度为O(m*n);而KMP与字符串哈希较优,时间复杂度为O(m+n)。因此在实际算法题中,我们应该采取适当的方法,有的时候不一定手搓KMP会更好,因为所需敲代码时间多,不如string.find()来的快,但是对于数据范围特别大,我们还是需要考虑算法,这个时候就别偷懒了。对比KMP与字符串哈希,我们发现,如果对于高频率的重复查找,我们优先选择字符串哈希,因为他每次查找都是O(1)时间,这种情况哈希更优。

m0_74066035的博客 1327

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

浅谈字符串问题

对于运算是多余的 (结合上述图片理解)这样显然应该有无限项 , 但如果字符串。的前缀 , 我们也可以用数字表示对。用数字表示前缀,同时将式子左右同乘以。, 相当于是去求解一个子问题.的最长后缀 , 且同时为。, 因此我们只关注字符串。取模后的前缀长度. 如。由第一个式子,我们可以将。. 容易发现 , 因为。, 停止时长度的期望., 停止时长度的期望.现我们已知一个字符串。

William_Wang_的博客 546

浅谈VB6字符串拼接效率

日期:2019年11月1日 作者:Commas 注释:最近发现一个关于VB6字符串拼接的大秘密,字符串直接拼接【&】与字符串数组拼接【 Join(SourceArray, [Delimiter])】在运行效率上完全不是一个等级,特别是对大字符串拼接,字符串数组拼接的速度,那是字符串直接拼接没得比的。 目录 文章目录一、借数据说话二、窥原理分析三、写源码参考 一、借数据说话 在VB6...

Commas的博客 2582

浅谈常量字符串

需要注意的是,在使用 #define 定义常量字符串时,没有办法像使用 const 关键字定义的常量字符串那样获取其长度。其次,将字符串定义为常量可以提高程序的可读性和可维护性,因为常量名称本身就可以表达出字符串的含义,而无需再花费额外的精力进行解释。常量字符串指的是在程序中声明的一个不可更改的字符串变量,其值在声明后就不能再被修改。在许多情况下,将字符串定义为常量可以提高程序的可读性和可维护性。总之,在编写程序时,使用常量字符串是一种非常好的实践,可以提高代码的质量和可读性,从而让程序更加易于维护。

C_Small_Cai的博客 1485

md5 长度_浅谈HASH长度拓展攻击

前言最近在做CTF题的时候遇到这个考点,想起来自己之前在做实验吧的入门CTF题的时候遇到过这个点,当时觉得难如看天书一般,现在回头望去,仔细琢磨一番感觉也不是那么难,这里就写篇文章记录一下自己的学习的过程。正文何为HASH长度拓展攻击?简单的说,由于HASH的生成机制原因,使得我们可以人为的在原先明文数据的基础上添加新的拓展字符,使得原本的加密链变长,进而控制加密链的最后一节,使得我们得以控制最终...

weixin_39811150的博客 519

浅谈java字符串

Java字符串浅谈java字符串相关的类有三个,String、StringBuilder、StringBuffer,下面浅谈一下三者的区别String我们先看源码中它的属性(也就是用什么保存数据) /** The value is used for character storage. */ private final char value[]; /** Cache the ha

abyjun的博客 572

浅谈Windows的各种“字符串”

浅谈Windows的各种“字符串”

qq_31716541的博客 1820

浅谈字符串

字符串的创建与建立 字符串类型是 Python 里面最常见的类型。 可以简单地通过在引号间(单引号,双引号和三引号)包含字符的方式创建它。 实验如下: 三重引号的作用 1.进行多行注释 2.定义多行字符串 注意:字符串是不可变的,只能通过赋一个空字符串或者使用 del 语句来清空或者删除一个字符串 但是没有必要显式的删除字符串。定义这个字符串的代码结束时会自动释放这些字符串 字符串的基本特性 1...

weixin_43592835的博客 275

浅谈字符串哈希

一、引入         哈希算法是通过一个哈希函数H,将一种数据(如字符串)转化为另一种数据(通常转化为整形数值),有些题可用map做,但数据一大就要用到字符串哈希 二、字符串哈希         寻找长度为n的主串S中的匹配串T(长度为m)出现的位置或次数属于字符串匹配问题。朴素算法(或称为暴力)就是枚举所有子串的起始位置,每枚举一次就要使用O(m)的时间,总共要O(nm)的时间。当然字...

qq_42790311的博客 1086
上一篇: 十年以前、十年以后
下一篇: 男人25岁前的忠告
Hackson
博客等级 码龄25年 8粉丝 83原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值